[論文レビュー] An Adaptive Intelligence Algorithm for Undersampled Knee MRI Reconstruction

Nicola Pezzotti, Sahar Yousefi+10 more|arXiv (Cornell University)|Apr 15, 2020

Advanced MRI Techniques and Applications被引用数 4

ひとこと要約

この論文では、圧縮センシングの原則を統合したマルチスケール・マルチブロックニューラルネットワークを用いて、アンダーサンプリングされた膝MRIデータを再構築する深層学習ベースのMRI再構築手法、Adaptive-CS-Netを提示する。2019年 fastMRIチャレンジのデータセットで訓練された本手法は、8xおよび4xマルチコイルで最高の性能を発揮し、#1（並び）の順位を獲得。4xシングルコイルでも#3の順位を記録し、加速レベルにかかわらず優れた画像品質と高い耐性を示した。

ABSTRACT

Adaptive intelligence aims at empowering machine learning techniques with the additional use of domain knowledge. In this work, we present the application of adaptive intelligence to accelerate MR acquisition. Starting from undersampled k-space data, an iterative learning-based reconstruction scheme inspired by compressed sensing theory is used to reconstruct the images. We adopt deep neural networks to refine and correct prior reconstruction assumptions given the training data. The network was trained and tested on a knee MRI dataset from the 2019 fastMRI challenge organized by Facebook AI Research and NYU Langone Health. All submissions to the challenge were initially ranked based on similarity with a known groundtruth, after which the top 4 submissions were evaluated radiologically. Our method was evaluated by the fastMRI organizers on an independent challenge dataset. It ranked #1, shared #1, and #3 on respectively the 8x accelerated multi-coil, the 4x multi-coil, and the 4x single-coil track. This demonstrates the superior performance and wide applicability of the method.

研究の動機と目的

• アンダーサンプリングされたk空間データを再構築することでMRI撮影を高速化し、診断に適した画像品質を維持すること。
• 深層学習と圧縮センシングの原則を組み合わせることで、高速MRIにおけるアーティファクトやぼやけの問題に取り組むこと。
• 4xおよび8xのさまざまな加速係数、およびシングルコイル・マルチコイルの異なるコイル設定において、再構築の精度と耐性を向上させること。
• データに依存する事前知識（例：データ整合性、位相挙動）を学習に組み込みつつ、データから学習する方法を開発すること。
• 特に臨床的に重要なマルチコイル環境において、2019年 fastMRI チャレンジで最先端の性能を達成すること。

提案手法

• 本手法は、圧縮センシングにインspiredされた反復的で学習ベースの再構築フレームワークを採用し、深層ニューラルネットワークを用いて初期再構築を改善する。
• 残差接続を備えたマルチスケール・マルチブロックアーキテクチャにより、複数の解像度レベルで複雑な画像パターンを学習可能となる。
• 平均構造的類似度（MSSIM）とℓ₁ノルムを組み合わせた損失関数を用いて、知覚的品質とスパarsityのバランスを取る。
• 2.5Dトレーニング方式により、3つの連続するスライスを再構築し、損失は中央スライスでのみ計算することで、特徴学習を向上させつつ効率性を維持する。
• データ整合性制約と既知の位相挙動をインダクティブバイアスとしてモデルに組み込むが、性能への寄与はわずかにとどまる。
• 最適化には、大規模なMRIデータでのトレーニングにおいて優れた収束性と安定性を示すRAdam最適化手法を採用した。

実験結果

リサーチクエスチョン

• RQ1 アンダーサンプリングされたk空間データでトレーニングされた深層学習モデルは、従来の圧縮センシング手法や既存の深層学習ベースラインを上回るMRI再構築性能を達成できるか？
• RQ2 2.5Dトレーニング方式で隣接スライスを活用することで、2Dまたはフル3Dトレーニングに比べて再構築品質にどのような影響を与えるか？
• RQ3 データ整合性や位相挙動といったドメイン特有の事前知識をネットワークに統合することで、再構築性能がどの程度向上するか？
• RQ4 GPUメモリ制限内で実現可能な最大ブロック数を用いることで、性能、メモリ使用量、トレーニング時間のバランスを最適化するには、ネットワークの深さ（ブロック数）をどの程度にすべきか？
• RQ5 臨床的MRI環境において、さまざまな加速係数（4x、8x）およびコイル設定（シングルコイル対マルチコイル）にわたって、モデルの一般化性能はどの程度高いか？

主な発見

• Adaptive-CS-Netは2019年 fastMRI チャレンジで最高の順位を獲得し、8xおよび4xマルチコイル再構築トレックで#1（並び）の順位を獲得した。
• 4xシングルコイルトレックでは#3の順位を記録し、さまざまな撮影プロTOCOLにわたる優れた一般化性能を示した。
• 隣接スライスを特徴学習に活用しながら損失は中央スライスでのみ計算する2.5Dトレーニング方式は、2Dおよびフル3D損失ベースのアプローチを上回った。
• GPUメモリの制限内で可能な限り最大のブロック数を用いることで、モデルの性能が最大に達した。長期間のトレーニングにもかかわらず顕著な過学習は観察されなかった。
• MSSIMとℓ₁損失の組み合わせが最も優れた結果をもたらし、SSIMオンリーやMSEベースの損失関数と比較して優れた性能を示した。
• データ整合性や位相挙動といった事前知識を統合したにもかかわらず、それらの影響は最終的な性能にほとんど及ばなかった。これは、ネットワークがデータそのものから学習する能力が非常に高いことを示している。